Penerapan Feature Weighting Optimized pada Naïve Bayes Untuk Prediksi Proses Persalinan

research
  • 09 Apr
  • 2020

Penerapan Feature Weighting Optimized pada Naïve Bayes Untuk Prediksi Proses Persalinan

Kelahiran bayi merupakan hal yang sangat diinginkan oleh setiap pasangan suami istri. Semua pihak mengharapkan keselamatan bagi ibu dan bayi yang baru saja dilahirkan. Tenaga medis melakukan berbagai upaya untuk membantu proses persalinan berjalan dengan lancar dan ibu serta bayi selamat. Namun dalam proses persalinan tidak semua proses melahirkan bayi berjalan dengan lancar. Sering kali terjadi kendala dalam proses persalinan. Terdapat beberapa kendala sehingga terjadi resiko persalinan yaitu kematian ibu dan bayi. Setiap ibu menginginkan dapat melahirkan bayi secara normal,  namun dikarenakan alasan medis proses persalinan dilakukan secara sesar.  Tindakan pemilihan jenis persalinan yang lebih cepat dapat memperngaruhi keselamatan ibu dan bayi. Pemilihan metode sesar dilakukan terlambat maka akan meningkatkan resiko kematian ibu dan bayi.   Untuk itu perlu dilakukan penelitian dengan menggunakan data persalinan ibu melahirkan sehingga dapat melakukan pemilihan jenis persalinan yang tepat. Dalam penelitian ini akan dilakukan klasifikasi proses persalinan ibu melahirkan dengan metode data mining yaitu naive bayes yang ditingkatkan kinerjanya dengan menggunakan metode Optimize Weight (PSO). Naive Bayes mampu menghasilkan nilai akurasi yang tinggi untuk pengolahan data persalinan ibu melahirkan yaitu sebesar 94%. Hasil akhir dari penelitian ini diperoleh nilai kinerja naïve bayes mampu ditingkatakan oleh metode Optimize Weights (PSO) menjadi lebih baik yakni 98%

Unduhan

 

REFERENSI

Amalia;Eviciena, H. (2017a). Aplikasi Sistem Penunjang Keputusan Untuk PrediksiPersalinan Sesar. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer, 3(1), 121–126. 

 

Amalia;Eviciena, H. (2017b). Komparasi Metode Data Mining Untuk Penentuan Proses Persalinan Ibu Melahirkan. Jurnal Sistem Informasi, 13(2), 103. https://doi.org/10.21609/jsi.v13i2.545 

 

Amalia, H. (2015). Penerapan Metode Neural Network Berbasis Particle Swam. Paradigma, XVII(1), 1–8. 

 

Amalia, H., Pohan, A., & Masripah, S. (2019). Penelitian 2019. 

 

Amalia, Hi., & Evicienna. (2017). Penentuan Proses Persalinan Ibu Melahirkan Menggunakan Algoritma c4.5. In Seminar Nasional Cendekiawan (Vol. 3, pp. 101–107). Retrieved from http://ir.obihiro.ac.jp/dspace/handle/10322 /3933 

 

Deressa, T. D., & Kadam, K. (2018). Prediction of Fetal Health State during Pregnancy : A Survey, 6(1), 29–36. 

 

Frieyadie, & Aryanti, H. (2013). SISTEM PAKAR DIAGNOSA GANGGUAN KEHAMILAN BERBASIS WEB DENGAN MENGGUNAKAN METODE FORWARD CHAINING PADA RSIA RP SOEROSO. Pilar Nusa Mandiri, 9(1), 62– 68. 

 

Kamat, A., Oswal, V., & Datar, M. (2015). Implementation of Classification Algorithms to Predict Mode of Delivery, 6(5), 4531– 4534. 

 

Kementerian Kesehatan Republik Indonesia. (2017). Profile Kesehatan Indonesia Tahun 2016. (R. Kurniawan, Yudianto, B. Hardhana, & T. A. Soenardi, Eds.). Jakarta: Kementerian Kesehatan Republik Indonesia. Retrieved from http://www.depkes.go.id/resources/downlo ad/pusdatin/profil-kesehatanindonesia/Profil-Kesehatan-Indonesia2016.pdf 

 

Lakshmi, K., Priya, P. R., & Nivedhitha, T. (2017). Naive Bayesian Model for Predicting Mode of Delivery, 2(4), 562–565. 

 

Mary, R. C. S., & Kumar, B. S. (2018). Comparison of Various Data Mining Algorithms in the Prediction of Risk for Gestational Diabetes. International Journal of Advanced Research in Computer Science and Software Engineering, 7(8), 74. https://doi.org/10.23956/ijarcsse.v7i8.26 Masripah, S. (2019). Laporan Akhir Penelitian Mandiri. Jakarta. 

 

Pereira, S., Portela, F., Santos, M. F., Machado, J., & Abelha, A. (2015). Predicting Type of Delivery by Identification of Obstetric Risk Factors through Data Mining. Procedia Computer Science, 64, 601–609. https://doi.org/10.1016/j.procs.2015.08.573 

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru